本文關(guān)鍵詞：基于相似日和人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測，由筆耕文化傳播整理發(fā)布。

風(fēng)電功功率預(yù)測,風(fēng)電,風(fēng)電系統(tǒng)研究

第34卷 第12期 2010年12月 電 網(wǎng) 技 術(shù) Power System Technology Vol. 34 No. 12

Dec. 2010

文章編號：1000-3673（2010）12-0163-05 中圖分類號：TM 72 文獻標志碼：A 學(xué)科代碼：470·40

基于相似日和人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測

孟洋洋1，盧繼平1，孫華利2，潘雪1，高道春1，廖勇1

（1．輸配電裝備及系統(tǒng)安全與新技術(shù)國家重點實驗室(重慶大學(xué))，重慶市 沙坪壩區(qū) 400044；

2．云南電力調(diào)度中心，云南省 昆明市 650000）

Short-Term Wind Power Forecasting Based on Similar Days and Artificial Neural Network

MENG Yangyang1, LU Jiping1, SUN Huali2, PAN Xue1, GAO Daochun1, LIAO Yong1

(1. State Key Laboratory of Power Transmission Equipment & System Security and New Technology(Chongqing University), Shapingba District, Chongqing 400044, China; 2. Yunnan Electric Power Dispatch Center, Kunming 650000, Yunnan Province, China) ABSTRACT: It is significant to forecast short-term generated power of wind farm for the security and stability of grid-connected wind farm. According to the factors impacting wind power output a method to select similar days of wind farm’s generated power is proposed and a short-term wind power forecasting model based on similar days and Chebyshev neural network is designed. The designed model is verified by the data of a certain wind farm located in Yunnan province, and the forecasting error and its probability distribution are analyzed. Analysis results show that the results forecasted by the designed forecasting model possess high accuracy, so it is available for reference in wind power forecasting.

KEY WORDS: wind power generation; wind farm; short-term forecasting; similar days; artificial neural network

摘要：風(fēng)電場發(fā)電功率短期預(yù)測對并網(wǎng)風(fēng)力發(fā)電系統(tǒng)的安全性和穩(wěn)定性具有重要意義。根據(jù)影響風(fēng)電出力的因素，提出了選擇風(fēng)電場發(fā)電功率相似日的方法，設(shè)計了基于相似日和Chebyshev神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測模型，根據(jù)云南某風(fēng)電場數(shù)據(jù)對該模型進行驗證，分析了預(yù)測誤差及其概率分布，結(jié)果表明該預(yù)測模型具有較高的預(yù)測精度，可為風(fēng)電功率預(yù)測提供參考。

關(guān)鍵詞：風(fēng)力發(fā)電；風(fēng)電場；短期預(yù)測；相似日；人工神經(jīng)網(wǎng)絡(luò)

劃，則可有效地減輕風(fēng)電場對接入電網(wǎng)的影響，減少電力系統(tǒng)運行成本和旋轉(zhuǎn)備用，提高風(fēng)電穿透功率極限，同時為風(fēng)電場參與發(fā)電競價奠定基礎(chǔ)。另外，準確的風(fēng)力發(fā)電功率預(yù)測便于安排機組維護和檢修，從而提高風(fēng)電場容量系數(shù)。

目前，根據(jù)預(yù)測的物理量不同，風(fēng)電功率預(yù)測方法分可以分為2類[5]：第1類是先對風(fēng)速進行預(yù)測，，然后根據(jù)風(fēng)電機組或風(fēng)電場的功率曲線得到風(fēng)電場功率輸出；第2類為直接預(yù)測風(fēng)電場的輸出功率。風(fēng)速是影響風(fēng)電輸出功率的關(guān)鍵參數(shù)，對風(fēng)電場先進行風(fēng)速預(yù)測，再由風(fēng)電機組功率特性得到輸出功率的預(yù)測值，這是進行風(fēng)電輸出功率預(yù)測的有效途但該方法沒有真正實現(xiàn)風(fēng)電場輸出功率預(yù)徑之一[6]。

測，因為除此風(fēng)速外，風(fēng)向、溫度、濕度、地表粗糙度等都對風(fēng)電場輸出功率有一定的影響。直接預(yù)測風(fēng)電場的輸出功率的方法又可以分為2種：一種是物理模型法，另外一種是統(tǒng)計方法。實際應(yīng)用中往往將2者結(jié)合起來[7]。

在物理模型法中，需對風(fēng)電場所在地進行物理建模。該方法的輸入?yún)?shù)包括風(fēng)速、風(fēng)向、氣溫和氣壓等數(shù)字氣象預(yù)報(numerical weather prediction, NWP)數(shù)據(jù)。氣象預(yù)報每日更新頻率很低，因此該方法更適合中期風(fēng)電場發(fā)電量的預(yù)測。但該方法需要豐富的氣象知識，需要了解物理特性，如果模型比較粗糙，預(yù)測精度就較差[8]。

統(tǒng)計方法的實質(zhì)是在系統(tǒng)的輸入(NWP數(shù)據(jù)、歷史統(tǒng)計數(shù)據(jù)和實測數(shù)據(jù)等)和風(fēng)電功率之間建立一個映射關(guān)系。如果該關(guān)系可用線性函數(shù)的形式表示，如空間相關(guān)法[9]、空間平滑法[10]、時間序列法[11]、卡爾曼濾波法[12]、灰色預(yù)測法[13]等。最簡單的預(yù)測

0 引言

隨著風(fēng)電場并網(wǎng)運行規(guī)模的增大，國內(nèi)外對于風(fēng)力發(fā)電并網(wǎng)各種課題的研究越來越深入[1]，但關(guān)于風(fēng)電場發(fā)電功率預(yù)測的研究還達不到令人滿意的程度，預(yù)測誤差一般都在15%以上[2]。風(fēng)電場功率預(yù)測對接入系統(tǒng)的安全性、穩(wěn)定性和經(jīng)濟運行具有重要意義[3-4]。如果能對風(fēng)力發(fā)電功率進行比較準確地預(yù)測，電力系統(tǒng)調(diào)度部門能及時調(diào)整調(diào)度計

  本文關(guān)鍵詞：基于相似日和人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測，由筆耕文化傳播整理發(fā)布。